Why Statistics?

تماشای این ویدئو را از دست ندهید.

John Tukey Said...

The Lady Tasting Tea: How Statistics Revolutionized Science in the Twentieth Century
#معرفی_کتاب

Peirce, Charles Sanders
American
1839-1914
...

Formulated modern statistics in "Illustrations of the Logic of Science" (1877–1878) and "A Theory of Probable Inference" (1883). With a repeated measures design, introduced blinded, controlled randomized experiments (before Fisher). Invented optimal design for experiments on gravity, in which he "corrected the means". He used correlation, smoothing, and improved the treatment of outliers. Introduced terms "confidence" and "likelihood" (before Neyman and Fisher). While largely a frequentist, Peirce's possible world semantics introduced the "propensity" theory of probability. See the historical books of Stephen Stigler

#نکات_R
Comparing floating-point numbers with == is unwise. Use all.equal to avoid errors from rounding: https://t.co/u9vDSmOeXb

All generalizations are false, including this one.
Mark Twain

Statistics Done Wrong

The woefully complete guide
by Alex Reinhart

If you’re a practicing scientist, you probably use statistics to analyze your data. From basic t tests and standard error calculations to Cox proportional hazards models and propensity score matching, we rely on statistics to give answers to scientific problems.

This is unfortunate, because statistical errors are rife.

Statistics Done Wrong is a guide to the most popular statistical errors and slip-ups committed by scientists every day, in the lab and in peer-reviewed journals. Many of the errors are prevalent in vast swaths of the published literature, casting doubt on the findings of thousands of papers. Statistics Done Wrong assumes no prior knowledge of statistics, so you can read it before your first statistics course or after thirty years of scientific practice.

در علوم مختلف به صورت مستمر و ناگزیر از علم آمار بهره برده می شود و به نتایج خروجی ها برای استدلال تکیه می شود. نکته این است که افراد غیر آماری در این مسیر به دلیل علم ناکافی یا عدم درک مناسب و عمیق مفاهیم دچار خطاهایی می شوند که باعث ایجاد اشتباه در نتیجه گیری ها می شوند. از این مسایل مهم تر این موضوع است که حتی افراد آماری هم گاها به این خطاها و مشکلات توجه نکرده و در جهت رفع یا بهبود انها قدم بر نمی دارند و این موضوع باعث گزارش های نادرست می شود.به ای ترتیب وجود یک منبع جهت آشنایی با خطاهای رایج که اغلب توسط آماری ها و غیر آماری ها نادیده گرفته می شوند بسیار ضروری است تا با ابتدا عمق مفاهیم آشنا شویم و آن ها را درک کنیم تا به این صورت از بروز خطا جلوگیری کنیم و نتایج قابل اعتمادی را گزارش کنیم. کتاب پیش رو مفاهیمی که تا پیش از اکثرا تصور درک کامل از آن ها داشتیم را با نگاهی دیگر شرح داده و افراد را به توجه به آن ها برای اعلام نتایج مناسب فرا می خواند.

“Mathematicians, pure and applied, think there is something weirdly different about statistics. They are right.”
— James Franklin

#معرفی_کتاب
توهم قطعیت کتابی است که عمدتا به برداشت های نادرست از روابط علیتی یا اشتباه گرفتن آن ها با روابط همبسته می پردازد. با مطالعه این کتاب همانطور که از اسمش هم بر می آید توهم قطعیت برای خواننده از میان رفته و می تواند یک تمایز مناسب میان روابط علیتی با روابط موثر ولی نه لزوما علیتی قایل شود و برای مثال در حوزه تحلیل های آماری پزشکی و علوم دارویی تفاوت عامل قطعی بروز را با عامل خطر تشخیص دهد و در مواردی که تشخیص دشوار است راه را هموار کرده تا نتایج حاصل از گزارشات درست و بدون خطا باشند و نتایج به صورت کامل بر پایه یک مدل بندی اشتباه به دست نیایند. تمرکز کتاب روی مثال های پزشکی و دارویی است ولی مبانی و مفاهیم مطرح شده در آن جامعیت داشته که قابلیت بسط به سایر حوزه ها توسط خواننده را دارا می باشند.

#نکات_احتمال
You can write a negative binomial distribution as a continuous mixture of Poisson distributions.
https://t.co/Ax1hjQHPW2

#نکات_R
Get an overview of documentation for an installed package: help(package="<package-name>")
https://t.co/xmpl1sNABM

Data can paint a picture that reveals the true impact of a program.

Deep Learning: Definition, Resources, Comparison with Machine Learning

https://goo.gl/9eKliU

Edgeworth, Francis Ysidro
Irish
1845-1926
...👇

-Revived exponential families (Laplace transforms) in statistics. Extended Laplace's (asymptotic) theory of maximum-likelihood estimation. Introduced basic results on information, which were extended and popularized by R. A. Fisher

The Periodic Table of Data Science | R-bloggers
https://www.r-bloggers.com/the-periodic-table-of-data-science/amp/